你可以用简单的数学自己回答这个问题。如果观测到和 表示拟合，那么残差 必须是。因此，线 是残差的下限。尽管您选择了非常规的轴，但很明显您的数据也是如此。$y \ge 0$$\hat y$$y$$e = y - \hat y$$\ge -\hat y$$e = - \hat y$

潜在的问题可能是对不适合的数据使用标准线性模型。一种前进的方法是对数线性或泊松（类）模型：（幸运但幸运的是，对于作为 Stata 用户的 OP 而言）此博客文章中有一个丰富的 Stata 解释。然而，该张贴应该引起许多统计用户的极大兴趣。

PS 标准残差图在纵轴上有残差，在横轴上有拟合或预测。轴的选择在这里不是一个任意的约定。表示零残差的水平线是自然参考线，表示与完美模型匹配的行为。正如 JW Tukey 和其他人经常强调的那样，最好的参考是线性的，最好的线性参考是水平的，从最容易想到的意义上说。在 Stata 中有一个内置的 post-estimationrvfplot供使用 after regress。

PPS 该图标记了一个 Stata 用户。当然，Stata 的使用对于主要问题来说是次要的。

我在情节中看到了两个主要方面，我希望你可能会想知道。

（我冒昧地将你的情节翻转到我更习惯于看待它们的方式上，随机量在 y 轴上。）

正如您所建议的，第一个方面是 y 值的硬下限（大概是 0）。

第二个是残差中的扇形（“ ”）。这两个是相关的问题。$<$

平均分布似乎是线性的 - 事实上，我猜想与它成正比，但从这个图中很难看出，因为你的模型看起来也有偏差为 0。

在这种情况下，方差与均值的平方成正比，这表明要么取对数（使用对数收益将是一种非常常见的选择），要么拟合方差与均方成正比的模型（例如 Gamma GLM） .

我不同意尼克的观点* - 类泊松模型不合适；准泊松的方差与均值成正比，或标准差与均值的平方根成正比，因此其残差图看起来更像抛物线。这个没有。与财务数据一样，标准差与平均值大致成正比——如果不是这样，确实会有些令人惊讶，因为这意味着无论您以美元还是以数千美元工作都很重要

* 或许我没有，因为看起来我们在术语上的差异比实质上的差异更大。

如果您的数据中有精确的零，那么这些建议都不适合（至少在没有一些修改的情况下不是），但也有零膨胀模型。

使用更合适的方差模型也可能会改善模型的其他方面。